Una introducción práctica a las redes neuronales artificiales utilizando Python y PyTorch, con notebooks interactivos que cubren desde conceptos básicos hasta técnicas avanzadas de optimización.
Este repositorio contiene una serie de Jupyter Notebooks que tratan los siguientes temas:
- Entrenamiento básico: Conceptos fundamentales de redes neuronales y paso forward/backward
- Overfitting y Underfitting: Identificación y prevención del sobreajuste con regularización
- Ajuste de Hiperparámetros: Optimización automática de hiperparámetros usando Optuna
intro_nn/
├── 01_nn_training.ipynb # Actividad 1
├── 02_overfit_underfit.ipynb # Actividad 2
├── 03_hyperparameter_tuning.ipynb # Actividad 3
├── CCP.csv # Dataset de la central de ciclo combinado
├── utils.py # Funciones auxiliares para visualización y utilidades
├── pyproject.toml # Requisitos para recrear el environment de Python
├── LICENSE # Licencia MIT
└── README.md # Este archivo
- Python: ≥ 3.8
- GPU (opcional): CUDA para acelerar entrenamientos
pip install -e .O instalar manualmente:
pip install torch>=2.1 \
numpy>=1.24 \
pandas>=2.0 \
matplotlib>=3.7 \
seaborn>=0.13 \
scikit-learn>=1.2 \
tqdm>=4.67 \
ipykernel \
ipywidgets \
ipympl \
optuna| Paquete | Versión | Descripción |
|---|---|---|
| torch | ≥2.1 | Framework de deep learning |
| scikit-learn | ≥1.2 | Machine learning utilities |
| pandas | ≥2.0 | Manipulación de datos |
| matplotlib | ≥3.7 | Visualización |
| optuna | - | Optimización bayesiana de hiperparámetros |
Este proyecto está bajo la Licencia MIT. Consulta el archivo LICENSE para más detalles.
Copyright (c) 2026 Isabela Fons
Isabela Fons
Email: isabela.fons@ua.es